Estymacja i prognozowanie modelu AR

Analiza szeregów czasowych w Pythonie

Rob Reider

Adjunct Professor, NYU-Courant Consultant, Quantopian

Estymacja modelu AR

Estymacja parametrów na podstawie danych (symulowanych)

from statsmodels.tsa.arima_model import ARMA
mod = ARMA(data, order=(1,0))
result = mod.fit()

ARMA jest przestarzałe i zastąpione przez ARIMA

from statsmodels.tsa.arima.model import ARIMA
mod = ARIMA(data, order=(1,0,0))
result = mod.fit()

Dla ARMA: order=(p,q)
Dla ARIMA: order=(p,d,q)

Estymacja modelu AR

Pełne wyniki (prawdziwe $\large \mu=0$ i $\large \phi=0.9$)
```
print(result.summary())
```

Estymacja modelu AR

Tylko estymaty $\large \mu$ i $\large \phi$ (prawdziwe $\large \mu=0$ i $\large \phi=0.9$)
```
print(result.params)
```

array([-0.03605989,  0.90535667])

Prognozowanie z użyciem modelu AR

from statsmodels.graphics.tsaplots import plot_predict
fig, ax = plt.subplots()
data.plot(ax=ax)
plot_predict(result, start='2012-09-27', end='2012-10-06', alpha=0.05, ax=ax)
plt.show()

Argumenty funkcji plot_predict()
- Pierwszy argument to dopasowany model
- Ustaw alpha=None, aby usunąć przedział ufności
- Ustaw ax=ax, aby wyświetlić dane i prognozę na tych samych osiach

Czas na ćwiczenia!

Analiza szeregów czasowych w Pythonie